好难啊，看不懂的

问题太宽泛了！

这个问题很大，呵呵
粗略的讲：
1）ML是经典参数估计方法之一，估计的方法是使得似然函数最大，使用的前提是你首先需要能写出似然函数的表达式；
2）GMM严格来说是一种模型，而不是一种估计方法。这种模型针对无法写出pdf闭式表达式的情况，采用多个高斯分布 pdf的和的形式来逼进真实的pdf。而利用高斯分布的特殊性质来简化后续算法。
3）EM适用于存在不完整数据或隐藏变量的情况，首先对隐藏变量求期望，进而求似然函数的最大值。
4）MCMC是英文马尔可夫链-蒙特卡洛方法的缩写，众所周知，蒙特卡洛方法是一种基于随机模拟的计算方法。采用蒙特卡洛方法的前提是，首先需要根据相应随机变量的统计特性，产生大量样本。而马尔可夫链的作用正是产生符合所需统计特性的样本。关于马氏链具体的原理，可以参考关于随机过程书籍

我是来学习的哇哈哈

路過 學習一下

这个问题猛的。。

........................

OLS是普通最小二乘法，在满足相关假设的条件下，估计量是BLUE的；
ML是似然估计法，需要设定模型扰动项的分布，数据符合设定的分布时，统计量具有较好的性质；当正态分布时，ML估计与OLS估计相同；
GMM是广义矩估计法，要求数据满足设定的矩条件，比OLS、ML要求的假设少，适用范围较广；特殊条件下，GMM与OLS相同；
EM是期望最大化算法，严格说是一种优化算法，不能说是估计方法；在机制转换模型中应用较多；
Bayesian是贝叶斯估计法，采用先验信息和样本信息得到后验信息，进而进行参数估计和假设检验；OLS、ML、GMM均属于经典估计方法；
MCMC是马尔科夫链蒙特卡罗法，是贝叶斯估计中生成参数后验分布的方法。

学习了不少，呵呵~~~

学习一下

很好啊，学习

学习一下

回答简明扼要